Clinical Decision-Oriented Threshold Optimization for 30-Day Readmission Prediction in Hospitalized Diabetic Patients: A Retrospective Study

अस्पताल तीव्र गतिविधियों के स्थान हैं, जहाँ मरीज जटिल जरूरतों के साथ पहुँचते हैं और सुधार की एक योजना के साथ वापस जाते हैं। फिर भी, मधुमेह से पीड़ित कई लोगों के लिए, यह यात्रा अस्पताल के दरवाजे पर समाप्त नहीं होती है। एक महत्वपूर्ण संख्या एक महीने के भीतर वापस आती है, अक्सर इसलिए क्योंकि अस्पताल की देखभाल से घर के जीवन में संक्रमण पर्याप्त सुचारू नहीं था। पुन: भर्ती का यह चक्र महंगा और खतरनाक है, जो संकेत देता है कि देखभाल के हस्तांतरण (handoff) में कुछ गलत हुआ है। इसे रोकने के लिए, डॉक्टरों और अस्पतालों ने कंप्यूटर की ओर रुख किया है, ऐसे मॉडल बनाए हैं जो यह अनुमान लगाने के लिए मरीज के इतिहास को देखते हैं कि किसके वापस आने की संभावना सबसे अधिक है। ये मॉडल स्वास्थ्य के लिए एक मौसम पूर्वानुमान की तरह कार्य करते हैं, पिछले डेटा को स्कैन करते हैं—जैसे कि किसी व्यक्ति कितनी बार पहले अस्पताल में भर्ती हुआ है, वे कौन सी दवाएं लेते हैं, और उनकी आयु क्या है—ताकि एक जोखिम स्कोर दिया जा सके। इसका लक्ष्य उन लोगों की पहचान करना है जिन्हें अस्पताल छोड़ने से पहले अतिरिक्त मदद की आवश्यकता है, ताकि अस्पताल फोन कॉल, नर्स के दौरे या दवाओं की जांच के माध्यम से हस्तक्षेप कर सकें।

हालाँकि, एक बड़ी समस्या ने इन भविष्यवाणी उपकरणों को परेशान किया है। अधिकांश कंप्यूटर मॉडल इस तरह डिज़ाइन किए जाते हैं कि वे यथासंभव "सही" हों, जिससे वे दुर्लभ घटनाओं को अनदेखा कर देते हैं। चूंकि अधिकांश मरीज तीस दिनों के भीतर अस्पताल वापस नहीं आते हैं, इसलिए एक मॉडल जो केवल यह भविष्यवाणी करता है कि "कोई वापस नहीं आएगा" वह लगभग नब्बे प्रतिशत बार सही होगा। यह एक खोखली जीत है। चिकित्सा भविष्यवाणी की दुनिया में, अधिकांश समय सही होना तब तक बेकार है जब जब आप उन कुछ लोगों को मिस कर देते हैं जिन्हें वास्तव में मदद की आवश्यकता होती है। चुनौती केवल एक ऐसा मॉडल बनाने की नहीं है जो पैटर्न देख सके, बल्कि उसे यह सिखाने की है कि वह एक ऐसा निर्णय कैसे ले जो मायने रखता हो। हैंडान फर्स्ट हॉस्पिटल और क्यूलु हॉस्पिटल ऑफ शंघाई यूनिवर्सिटी के शोधकर्ताओं द्वारा किया गया एक नया अध्ययन ठीक इसी मुद्दे को संबोधित करता है। उन्होंने एक अधिक जटिल कंप्यूटर मस्तिष्क बनाने की कोशिश नहीं की; इसके बजाय, उन्होंने इस बात पर ध्यान केंद्रित किया कि कंप्यूटर द्वारा दिए गए उत्तरों की व्याख्या कैसे की जाए, यह सिद्ध करते हुए कि जोखिम के लिए हमारा "अलार्म" सेट करने का तरीका स्वयं अलार्म से कहीं अधिक महत्वपूर्ण है।

शोधकर्ताओं ने संयुक्त राज्य अमेरिका के एक सौ तीस अस्पतालों के चिकित्सा रिकॉर्ड के एक विशाल संग्रह से शुरुआत की, जिसमें 1999 और 2008 के बीच मधुमेह वाले लोगों के लगभग एक लाख अस्पताल दौरों को शामिल किया गया। उन्होंने इस डेटा को 'लॉजिस्टिक्स रिग्रेशन' नामक एक मानक, विश्वसनीय प्रकार के कंप्यूटर मॉडल में डाला, जो एक तराजू की तरह है जो अंतिम स्कोर निर्धारित करने के लिए विभिन्न कारकों को तौलता है। मॉडल ने प्रवेश के समय उपलब्ध पच्चीस अलग-अलग जानकारियों को देखा, जैसे कि पिछले अस्पताल दौरों की संख्या, दवाओं की गिनती, और क्या मरीज इंसुलिन का उपयोग कर रहा था। मॉडल उन मरीजों के बीच अंतर करने में अच्छा प्रदर्शन कर रहा था जो वापस आएंगे और जो नहीं आएंगे, लेकिन जब शोधकर्ताओं ने इसे उस मानक नियम का उपयोग करके परीक्षण किया जिसका अधिकांश कंप्यूटर प्रोग्राम उपयोग करते हैं, तो परिणाम विफल रहा।

मानक नियम, जिसे अक्सर 'थ्रेशोल्ड' (threshold) कहा जाता है, कंप्यूटर को निर्देश देता है कि अलार्म तभी बजाए जब जोखिम स्कोर पचास प्रतिशत से अधिक हो। मधुमेह वाले इस विशिष्ट समूह में, केवल लगभग ग्यारह प्रतिशत मरीज वास्तव में अस्पताल वापस आए। चूंकि यह घटना अपेक्षाकृत दुर्लभ थी, इसलिए कंप्यूटर के स्कोर ज्यादातर कम थे। जब शोधकर्ताओं ने मानक पचास प्रतिशत नियम लागू किया, तो मॉडल ने केवल एक दशमलव चार प्रतिशत मरीजों को उच्च-जोखक के रूप में चिह्नित किया। व्यावहारिक रूप से, इसका अर्थ यह था कि कंप्यूटर प्रभावी रूप से कह रहा था कि लगभग कोई भी वापस नहीं आएगा। यह इतना सतर्क था कि यह बेकार हो गया, जिससे देखभाल की आवश्यकता वाले अधिकांश मरीज छूट गए। शोधकर्ता समझ गए कि मॉडल टूटा नहीं था; बल्कि, यह तय करने का नियम कि क्या "उच्च जोखिम" है, इस स्थिति के लिए गलत था।

इसे ठीक करने के लिए, टीम ने जोखिम के प्रति कंप्यूटर को अधिक संवेदनशील बनाने के लिए, यानी अलार्म थ्रेशोल्ड को कम करने के तीन अलग-अलग तरीकों का परीक्षण किया। उन्होंने मॉडल के मस्तिष्क को नहीं बदला; उन्होंने केवल इसके डैशबोर्ड पर सेटिंग्स बदलीं। पहला दृष्टिकोण एक संतुलित सेटिंग थी, जिसे एक अच्छी संख्या में लौटने वाले मरीजों को पकड़ने के लिए डिज़ाइन किया गया था बिना बहुत अधिक स्वस्थ लोगों को चिह्नित किए। इस सेटिंग ने थ्रेशोल्ड को उस बिंदु तक कम कर दिया जहाँ मॉडल ने वास्तव में लौटने वाले लगभग साठ प्रतिशत लोगों को पकड़ा, जबकि अन्य अधिकांश लोगों के न लौटने की सही पहचान भी की। दूसरा दृष्टिकोण एक "सुरक्षा जाल" (safety net) सेटिंग थी, जिसे अधिक से अधिक जोखिम वाले मरीजों को पकड़ने के लिए डिज़ाइन किया गया था, भले ही इसमें कुछ स्वस्थ लोगों को गलती से चिह्नित करना शामिल हो। इस सेटिंग ने लौटने वाले मरीजों के अस्सी प्रतिशत को पकड़ा, यह सुनिश्चित करते हुए कि बहुत कम लोग छूटें, हालांकि इसके लिए अस्पतालों को उन बहुत से लोगों की जांच करनी पड़ी जो ठीक निकले। तीसरा दृष्टिकोण एक "परिशुद्धता" (precision) सेटिंग थी, जिसे उन स्थितियों के लिए डिज़ाइन किया गया है जहाँ अस्पतालों के पास बहुत सीमित संसाधन होते हैं और वे केवल कुछ लोगों की मदद कर सकते हैं। यह सेटिंग बहुत सख्त थी, जो केवल उन मरीजों को चिह्नित करती थी जिनके वापस आने की लगभग निश्चितता थी, जिससे लौटने वाले समूह का लगभग तेईस प्रतिशत पकड़ा गया लेकिन यह सुनिश्चित हुआ कि चिह्नित किए गए लगभग सभी को वास्तवक में मदद की आवश्यकता थी।

शोधकर्ताओं ने डेटा वैज्ञानिकों द्वारा दुर्लभ घटनाओं को संभालने के लिए उपयोग किए जाने वाले एक सामान्य तरीके का भी परीक्षण किया: कृत्रिम रूप से कंप्यूटर को यह बताना कि दुर्लभ घटना वास्तव में जितनी है उससे अधिक सामान्य है। इस तकनीक को 'क्लास वेटिंग' (class weighting) कहा जाता है, जिसका उपयोग अक्सर मॉडल को अल्पसंख्यक समूह पर अधिक ध्यान देने के लिए मजबूर करने के लिए किया जाता है। हालाँकि, शोधकर्ताओं ने पाया कि यह तरीका गंभीर रूप से उल्टा पड़ा। हालांकि इसने मॉडल को अधिक लौटने वाले मरीजों को पकड़ने में मदद की, लेकिन इसने मॉडल द्वारा उत्पन्न किए गए नंबरों को पूरी तरह से गड़बबड़ा दिया। इसकी संभावनाएँ इतनी विकृत हो गईं कि वे औसत दर का अनुमान लगाने से भी बदतर थीं। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह सुझाव देता है कि यदि आपको सटीक जोखिम स्कोर की आवश्यकता है, तो डेटा को संतुलित करने के लिए मॉडल को मजबूर करना एक बुरा विचार है। इसके बजाय, केवल उस थ्रेशोल्ड को समायोजित करना जहाँ अलार्म बजता है, एक बेहतर तरीका है। यह मॉडल की सटीकता को बिगाड़े बिना सही मरीजों को खोजने की इसकी क्षमता में सुधार करता है।

जब शोधकर्ताओं ने बारीकी से देखा कि मॉडल वास्तव में अपने निर्णय लेने के लिए क्या उपयोग कर रहा था, तो एक स्पष्ट तस्वीर उभर कर आई। मरीज के वापस अस्पताल आने का सबसे मजबूत भविष्यवक्ता केवल यह था कि पिछले एक वर्ष में उन्हें कितनी बार भर्ती किया गया था। यह सहज ज्ञान युक्त लगता है: अस्पताल में भर्ती होने का इतिहास निरंतर स्वास्थ्य संघर्षों का एक शक्तिशाली संकेत है। अन्य महत्वपूर्ण कारकों में मरीज की कुल चिकित्सीय स्थितियों की संख्या, उनके प्रवास के दौरान उनकी दवाओं की सूची में बदलाव, और उनकी आयु शामिल थी। वृद्ध मरीज और वे जिनकी चिकित्सीय ज़रूरतें अधिक जटिल थीं, लगातार उच्च जोखिम वाले श्रेणी में रखे गए। दिलचस्प बात यह है कि जो मरीज मधुमेह की दवा नहीं ले रहे थे, उनके वापस आने की संभावना वास्तव में कम थी, संभवतः इसलिए क्योंकि उनकी बीमारी के रूप हल्के थे जिन्हें दवाओं के बजाय आहार और व्यायाम से प्रबंधित किया जा सकता था। कंप्यूटर मॉडल ने इन पैटर्न की पुष्टि की, जिससे पता चला कि सबसे विश्वसनीय भविष्यवक्ता अक्सर मरीज के जीवन के सबसे सरल और ऐतिहासिक तथ्य थे।

शोधकर्ताओं ने इन विभिन्न सेटिंग्स को वास्तविक दुनिया के अस्पताल वर्कफ़्लो के साथ मैप किया ताकि दिखाया जा सके कि उन्हें व्यवहार में कैसे उपयोग किया जा सकता है। "सुरक्षा जाल" सेटिंग, जो लौटने वाले मरीजों के अस्सी प्रतिशत को पकड़ती है, एक व्यापक स्क्रीनिंग कार्यक्रम के लिए आदर्श है। इस परिदृश्य में, एक अस्पताल हर चिह्नित मरीज को फोन कॉल कर सकता है या रिमाइंडर भेज सकता है। भले ही उन में से कई कॉल उन लोगों को दी जाएं जिन्हें उनकी आवश्यकता नहीं है, लेकिन लागत कम है, और जो वास्तव में मदद की आवश्यकता रखते हैं उन्हें पकड़ने का लाभ अधिक है। "संतुलित" सेटिंग उन ट्रांज़िशनल केयर कार्यक्रमों के लिए उपयुक्त है जिनमें नर्स मरीज के घर जाती है या एक केयर कोऑर्डिनेटर उनके अपॉइंटमेंट का प्रबंधन करता है। इन कार्यक्रमों की लागत अधिक होती है, इसलिए अस्पतालों को अधिक चयनात्मक होने की आवश्यकता है, लेकिन वे अभी भी जोखिम वाले समूह के एक महत्वपूर्ण हिस्से को पकड़ना चाहते हैं। "परिशुद्धता" सेटिंग महंगे और गहन हस्तक्षेपों के लिए सबसे अच्छी है, जैसे कि किसी विशेषज्ञ को मरीज के घर भेजना या उन्हें एक कठोर रोग प्रबंधन कार्यक्रम में नामांकित करना। यहाँ, अस्पताल केवल कुछ ही लोगों की मदद कर सकते हैं, इसलिए उन्हें लगभग निश्चित होना चाहिए कि जिसे वे चुन रहे हैं उसे वास्तव में लाभ होगा।

यह अध्ययन चिकित्सा भविष्यवाणी के भविष्य के लिए एक स्पष्ट सबक प्रदान करता है। दुनिया का सबसे उन्नत कंप्यूटर मॉडल भी बेकार है यदि उसका उपयोग करने के नियम गलत हैं। अस्पताल में पुन: भर्ती जैसी दुर्लभ घटनाओं के लिए, अधिकांश सॉफ़्टवेयर द्वारा उपयोग किए जाने वाले डिफ़ॉल्ट सेटिंग्स अक्सर मदद करने के लिए बहुत सख्त होते हैं। केवल जोखिम के रूप में क्या गिना जाए, इसके थ्रेशोल्ड को कम करके, अस्पताल एक निष्क्रिय उपकरण को एक व्यावहारिक सहायता में बदल सकते हैं जो जीवन और पैसा दोनों बचाता है। शोध यह भी चेतावनी देता है कि डेटा को संतुलित करने के प्रयास में संभावना अनुमानों को विकृत करने वाले तरीकों का उपयोग न करें। इसके बजाय, सबसे अच्छा दृष्टिकोण यह है कि मॉडल के गणित को ईमानदार रखा जाए और विशिष्ट आवश्यकताओं के अनुसार निर्णय बिंदु को समायोजित किया जाए। चाहे अस्पताल एक बड़ा जाल फैलाना चाहता हो या एक विशिष्ट समूह को लक्षित करना चाहता हो, समाधान एक स्मार्ट कंप्यूटर बनाने में नहीं, बल्कि उस एक को समझने में है जिसे आपके पास पहले से ही है।